目录
1 Flume概述
1.1 Flume是什么
1.2 Flume组成架构
2 Flume安装
2.1 下载
2.2 安装部署
3 案例
3.1 Flume实时读取目录文件到HDFS
3.2 Flume实时读取本地文件新增内容到HDFS(常用)
3.3单数据源多出口案例
3.4 多数据源汇总
1 Flume概述
1.1 Flume是什么
Flume是Cloudera提供的一个高可用的，高可靠的，分布式的海量日志采集、聚合和传输的系统。支持在系统中定制各类数据发送方，用于收集数据；同时，Flume提供对数据的简单处理，并写到各种数据接收方的能力。Flume基于流式架构，灵活简单。
Flume 在0.9.x and 1.x之间有较大的架构调整，0.9.x的称为Flume OG，1.x版本经过重构核心组件、核心配置及代码架构之后改称Flume NG，归为Apache旗下，目前是Apache的顶级项目。
1.2 Flume组成架构
Flume组成架构：
Flume中的组件：
1.Agent
Agent是一个JVM进程，它以时间的形式将数据源从源头送至目的地，是Flume数据传输的基本单元。Agent启动后，进程名称为Application
Agent主要有3个部分组成，Source、Channel、Sink。
2.Source
Source是负责接收数据到Flume Agent的组件。Source组件可以处理各种类型、各种格式的日志数据，包括avro、thrift、exec（execute）、jms、spooling directory、netcat(读取端口数据)、sequence generator、syslog、http、legacy。
3.Channel
Channel是位于Source和Sink之间的缓冲区。因此，Channel允许Source和Sink运作在不同的速率上。Channel是线程安全的，可以同时处理几个Source的写入操作和几个Sink的读取操作。
Flume自带两种Channel：Memory Channel和File Channel。
Memory Channel是内存中的队列。MemoryChannel在不需要关心数据丢失的情景下适用。如果需要关心数据丢失，那么Memory Channel就不应该使用，因为程序死亡、机器宕机或者重启都会导致数据丢失。
FileChannel将所有事件写到磁盘。因此在程序关闭或机器宕机的情况下不会丢失数据。
4.Sink
Sink不断地轮询Channel中的事件且批量地移除它们，并将这些事件批量写入到存储、或者被发送到另一个Flume Agent。
Sink是完全事务性的。在从Channel批量删除数据之前，每个Sink用Channel启动一个事务。批量事件一旦成功写出到存储系统或下一个Flume Agent，Sink就利用Channel提交事务。事务一旦被提交，该Channel从自己的内部缓冲区删除事件。
Sink组件目的地包括hdfs、logger、avro(传递给下一个Flume)、thrift、ipc、file、null、HBase、solr、自定义。
5.Event
传输单元，Flume数据传输的基本单元，以事件的形式将数据从源头送至目的地。
2 Flume安装
2.1 下载
1） Flume官网地址：http://flume.apache.org/
2）文档查看地址：http://flume.apache.org/FlumeUserGuide.html
3）下载地址：http://archive.apache.org/dist/flume/
2.2 安装部署
1）将apache-flume-1.7.0-bin.tar.gz上传到linux的/opt/software目录下
2）解压apache-flume-1.7.0-bin.tar.gz到/opt/module/目录下
[root@hadoop102software]$ tar -zxvfapache-flume-1.7.0-bin.tar.gz-C /opt/module/
3）修改apache-flume-1.7.0-bin的名称为flume
[root@hadoop102 module]$ mv apache-flume-1.7.0-binflume
4）将flume/conf下的flume-env.sh.template文件修改为flume-env.sh，并配置flume-env.sh文件
[root@hadoop102 conf]$ mv flume-env.sh.template flume-env.sh
[root@hadoop102 conf]$ vimflume-env.sh
export JAVA_HOME=/opt/module/jdk1.8.0_144
3 案例
3.1 Flume实时读取目录文件到HDFS
需求分析：使用flume监听整个目录的文件
1. 创建配置文件flume-dir-hdfs.conf
[root@hadoop101 job]$ pwd
/opt/module/apache-flume-1.7.0-bin/conf/job/
[root@hadoop101 job]$ vim flume-dir-hdfs.conf
a3.sources = r3
a3.sinks = k3
a3.channels = c3
# Describe/configure the source
a3.sources.r3.type = spooldir
a3.sources.r3.spoolDir = /opt/module/flume/upload
a3.sources.r3.fileSuffix = .COMPLETED
a3.sources.r3.fileHeader = true
#忽略所有以.tmp结尾的文件，不上传
a3.sources.r3.ignorePattern = ([^ ]*\.tmp)
# Describe the sink
a3.sinks.k3.type = hdfs
a3.sinks.k3.hdfs.path = hdfs://hadoop101:9000/flume/upload/%Y%m%d/%H
#上传文件的前缀
a3.sinks.k3.hdfs.filePrefix = upload-
#是否按照时间滚动文件夹
a3.sinks.k3.hdfs.round = true
#多少时间单位创建一个新的文件夹
a3.sinks.k3.hdfs.roundValue = 1
#重新定义时间单位
a3.sinks.k3.hdfs.roundUnit = hour
#是否使用本地时间戳
a3.sinks.k3.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a3.sinks.k3.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a3.sinks.k3.hdfs.fileType = DataStream
#多久生成一个新的文件
a3.sinks.k3.hdfs.rollInterval = 30
#设置每个文件的滚动大小大概是128M
a3.sinks.k3.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a3.sinks.k3.hdfs.rollCount = 0
# Use a channel which buffers events in memory
a3.channels.c3.type = memory
a3.channels.c3.capacity = 1000
a3.channels.c3.transactionCapacity = 100
# Bind the source and sink to the channel
a3.sources.r3.channels = c3
a3.sinks.k3.channel = c3
2. 启动监控文件夹命令
[root@hadoop102 flume]$ bin/flume-ng agent --conf conf/ --name a3 --conf-file conf/job/flume-dir-hdfs.conf
说明：在使用Spooling Directory Source时
- 不要在监控目录中创建并持续修改文件
- 上传完成的文件会以.COMPLETED结尾
- 被监控文件夹每500毫秒扫描一次文件变动
3. 向upload文件夹中添加文件
在/opt/module/flume目录下创建upload文件夹
[root@hadoop102 flume]$ mkdir upload
向upload文件夹中添加文件
[root@hadoop102 upload]$ touch hadoop.txt
[root@hadoop102 upload]$ touch hadoop.tmp
[root@hadoop102 upload]$ touch hadoop.log
4. 查看HDFS上的数据
5. 等待1s，再次查询upload文件夹
[root@hadoop102 upload]$ ll
总用量 0
-rw-rw-r--. 1 hadoop hadoop 0 5月 20 22:31 bigdata.log.COMPLETED
-rw-rw-r--. 1 hadoop hadoop 0 5月 20 22:31 bigdata.tmp
-rw-rw-r--. 1 hadoop hadoop 0 5月 20 22:31 bigdata.txt.COMPLETED
3.2 Flume实时读取本地文件新增内容到HDFS(常用)
需求分析：实时监控Hive日志，并上传到HDFS中
1. 创建flume-file-hdfs.conf文件
[root@hadoop101 job]$ vim flume-file-hdfs.conf
注：要想读取Linux系统中的文件，就得按照Linux命令的规则执行命令。由于hive日志在Linux系统中所以读取文件的类型选择：exec即execute执行的意思。表示执行Linux命令来读取文件。
# Name the components on this agent
a2.sources = r2
a2.sinks = k2
a2.channels = c2
# Describe/configure the source
a2.sources.r2.type = exec
a2.sources.r2.command = tail -F /opt/module/hive/logs/hive.log
a2.sources.r2.shell = /bin/bash -c
# Describe the sink
a2.sinks.k2.type = hdfs
a2.sinks.k2.hdfs.path = hdfs://hadoop101:9000/flume/%Y%m%d/%H
#上传文件的前缀
a2.sinks.k2.hdfs.filePrefix = logs-
#是否按照时间滚动文件夹
a2.sinks.k2.hdfs.round = true
#多少时间单位创建一个新的文件夹
a2.sinks.k2.hdfs.roundValue = 1
#重新定义时间单位
a2.sinks.k2.hdfs.roundUnit = hour
#是否使用本地时间戳
a2.sinks.k2.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a2.sinks.k2.hdfs.batchSize = 1000
#设置文件类型，可支持压缩
a2.sinks.k2.hdfs.fileType = DataStream
#多久生成一个新的文件
a2.sinks.k2.hdfs.rollInterval = 600
#设置每个文件的滚动大小
a2.sinks.k2.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a2.sinks.k2.hdfs.rollCount = 0
# Use a channel which buffers events in memory
a2.channels.c2.type = memory
a2.channels.c2.capacity = 1000
a2.channels.c2.transactionCapacity = 100
# Bind the source and sink to the channel
a2.sources.r2.channels = c2
a2.sinks.k2.channel = c2
2. 执行监控配置
[root@hadoop101 flume]$ bin/flume-ng agent --conf conf/ --name a2 --conf-file conf/job/flume-file-hdfs.conf
3. 开启hadoop和hive并操作hive产生日志
[root@hadoop101 hadoop-2.7.2]$ sbin/start-dfs.sh
[root@hadoop101hadoop-2.7.2]$ sbin/start-yarn.sh
[root@hadoop101 hive]$ bin/hive
hive (default)>
4. 在HDFS上查看文件
3.3单数据源多出口案例
案例需求：使用flume-1监控文件变动，flume-1将变动内容传递给flume-2，flume-2负责存储到HDFS。同时flume-1将变动内容传递给flume-3，flume-3负责输出到local filesystem。
1. 准备工作
在job目录下创建group1文件夹
[root@hadoop101 job]$ cd group1/
在/opt/module/datas/目录下创建flume3文件夹
[root@hadoop101datas]$ mkdir flume3
2. 创建flume-file-flume.conf
[root@hadoop101 group1]$ vim flume-file-flume.conf
配置1个接收日志文件的source和两个channel、两个sink，分别输送给flume-flume-hdfs和flume-flume-dir。
# Name the components on this agent
a1.sources = r1
a1.sinks = k1 k2
a1.channels = c1 c2
# 将数据流复制给多个channel
a1.sources.r1.selector.type = replicating
# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /opt/module/apache-hive-1.2.1-bin/logs/hive.log
a1.sources.r1.shell = /bin/bash -c
# Describe the sink
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = hadoop101
a1.sinks.k1.port = 4141
a1.sinks.k2.type = avro
a1.sinks.k2.hostname = hadoop101
a1.sinks.k2.port = 4142
# Describe the channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
a1.channels.c2.type = memory
a1.channels.c2.capacity = 1000
a1.channels.c2.transactionCapacity = 100
# Bind the source and sink to the channel
a1.sources.r1.channels = c1 c2
a1.sinks.k1.channel = c1
a1.sinks.k2.channel = c2
注：Avro是由Hadoop创始人Doug Cutting创建的一种语言无关的数据序列化和RPC框架。
注：RPC（Remote Procedure Call）远程过程调用，是一种通过网络从远程计算机程序请求服务，而不需要了解底层网络技术的协议。
3.创建flume-flume-hdfs.conf
[root@hadoop101 group1]$ vim flume-flume-hdfs.conf
配置上级flume输出的source，输出是到hdfs的sink
# Name the components on this agent
a2.sources = r1
a2.sinks = k1
a2.channels = c1
# Describe/configure the source
a2.sources.r1.type = avro
a2.sources.r1.bind = hadoop101
a2.sources.r1.port = 4141
# Describe the sink
a2.sinks.k1.type = hdfs
a2.sinks.k1.hdfs.path = hdfs://hadoop101:9000/flume2/%Y%m%d/%H
#上传文件的前缀
a2.sinks.k1.hdfs.filePrefix = flume2-
#是否按照时间滚动文件夹
a2.sinks.k1.hdfs.round = true
#多少时间单位创建一个新的文件夹
a2.sinks.k1.hdfs.roundValue = 1
#重新定义时间单位
a2.sinks.k1.hdfs.roundUnit = hour
#是否使用本地时间戳
a2.sinks.k1.hdfs.useLocalTimeStamp = true
#积攒多少个Event才flush到HDFS一次
a2.sinks.k1.hdfs.batchSize = 100
#设置文件类型，可支持压缩
a2.sinks.k1.hdfs.fileType = DataStream
#多久生成一个新的文件
a2.sinks.k1.hdfs.rollInterval = 600
#设置每个文件的滚动大小大概是128M
a2.sinks.k1.hdfs.rollSize = 134217700
#文件的滚动与Event数量无关
a2.sinks.k1.hdfs.rollCount = 0
#最小冗余数
a2.sinks.k1.hdfs.minBlockReplicas = 1
# Describe the channel
a2.channels.c1.type = memory
a2.channels.c1.capacity = 1000
a2.channels.c1.transactionCapacity = 100
# Bind the source and sink to the channel
a2.sources.r1.channels = c1
a2.sinks.k1.channel = c1
4.创建flume-flume-dir.conf
[root@hadoop102 group1]$ vim flume-flume-dir.conf
配置上级flume输出的source，输出是到本地目录的sink
# Name the components on this agent
a3.sources = r1
a3.sinks = k1
a3.channels = c2
# Describe/configure the source
a3.sources.r1.type = avro
a3.sources.r1.bind = hadoop101
a3.sources.r1.port = 4142
# Describe the sink
a3.sinks.k1.type = file_roll
a3.sinks.k1.sink.directory = /opt/module/datas/flume3
# Describe the channel
a3.channels.c2.type = memory
a3.channels.c2.capacity = 1000
a3.channels.c2.transactionCapacity = 100
# Bind the source and sink to the channel
a3.sources.r1.channels = c2
a3.sinks.k1.channel = c2
提示：输出的本地目录必须是已经存在的目录，如果该目录不存在，并不会创建新的目录。
5．执行配置文件
分别开启对应配置文件：flume-flume-dir，flume-flume-hdfs，flume-file-flume。
[root@hadoop101 flume]$ bin/flume-ng agent --conf conf/ --name a3 --conf-file conf/job/group1/flume-flume-dir.conf
[root@hadoop101 flume]$ bin/flume-ng agent --conf conf/ --name a2 --conf-file conf/job/group1/flume-flume-hdfs.conf
[root@hadoop101 flume]$ bin/flume-ng agent --conf conf/ --name a1 --conf-file job/group1/flume-file-flume.conf
6．启动hadoop和hive
[root@hadoop102 hadoop-2.7.2]$ sbin/start-dfs.sh
[root@hadoop102 hadoop-2.7.2]$ sbin/start-yarn.sh
[root@hadoop102 hive]$ bin/hive
hive (default)>
7. 检查HDFS上数据
8.检查/opt/module/datas/flume3目录中数据
3.4 多数据源汇总
案例需求：
hadoop101上的flume-1监控文件hive.log，
hadoop101上的flume-2监控某一个端口的数据流，
flume-1与flume-2将数据发送给hadoop101上的flume-3，flume-3将最终数据打印到控制台
1．准备工作
在/opt/module/flume/job目录下创建一个group2文件夹
2．创建flume1.conf
在hadoop101上创建配置文件并打开
[root@hadoop101group2]$ vim flume1-file.conf
配置source用于监控hive.log文件，配置sink输出数据到下一级flume。
# Name the components on this agent
a1.sources = r1
a1.sinks = k1
a1.channels = c1
# Describe/configure the source
a1.sources.r1.type = exec
a1.sources.r1.command = tail -F /opt/module/apache-hive-1.2.1-bin/logs/hive.log
a1.sources.r1.shell = /bin/bash -c
# Describe the sink
a1.sinks.k1.type = avro
a1.sinks.k1.hostname = hadoop101
a1.sinks.k1.port = 4141
# Describe the channel
a1.channels.c1.type = memory
a1.channels.c1.capacity = 1000
a1.channels.c1.transactionCapacity = 100
# Bind the source and sink to the channel
a1.sources.r1.channels = c1
a1.sinks.k1.channel = c1
3. 创建flume2.conf
[root@hadoop101group2]$ vim flume2.conf
配置source监控端口44444数据流，配置sink数据到下一级flume：
# Name the components on this agent
a2.sources = r1
a2.sinks = k1
a2.channels = c1
# Describe/configure the source
a2.sources.r1.type = netcat
a2.sources.r1.bind = hadoop101
a2.sources.r1.port = 44444
# Describe the sink
a2.sinks.k1.type = avro
a2.sinks.k1.hostname = hadoop101
a2.sinks.k1.port = 4141
# Use a channel which buffers events in memory
a2.channels.c1.type = memory
a2.channels.c1.capacity = 1000
a2.channels.c1.transactionCapacity = 100
# Bind the source and sink to the channel
a2.sources.r1.channels = c1
a2.sinks.k1.channel = c1
4．创建flume3.conf
[root@hadoop103 group2]$ vim flume3.conf
配置source用于接收flume1与flume2发送过来的数据流，最终合并后sink到控制台。
Name the components on this agent
a3.sources = r1
a3.sinks = k1
a3.channels = c1
# Describe/configure the source
a3.sources.r1.type = avro
a3.sources.r1.bind = hadoop101
a3.sources.r1.port = 4141
# Describe the sink
# Describe the sink
a3.sinks.k1.type = logger
# Describe the channel
a3.channels.c1.type = memory
a3.channels.c1.capacity = 1000
a3.channels.c1.transactionCapacity = 100
# Bind the source and sink to the channel
a3.sources.r1.channels = c1
a3.sinks.k1.channel = c1
5．执行配置文件
分别开启对应配置文件：flume3.conf，flume2.conf，flume1.conf。
[root@hadoop101 flume]$ bin/flume-ng agent --conf conf/ --name a3 --conf-file conf/job/group2/flume3.conf - Dflume.root.logger=INFO,console
[root@hadoop101 flume]$ bin/flume-ng agent --conf conf/ --name a2 --conf-file conf/job/group2/flume2.conf
[root@hadoop101 flume]$ bin/flume-ng agent --conf conf/ --name a1 --conf-file conf/job/group3/flume-file.conf
6．在hadoop102上向/opt/module目录下的group.log追加内容
[root@hadoop102module]$ echo 'hello' > group.log
7．在hadoop103上向44444端口发送数据
[root@hadoop103 flume]$ telnet hadoop10444444
8. 检查数据